基于模糊贝叶斯网络的森林火灾预警方法及系统与流程
本发明涉及消防安全领域，具体涉及基于模糊贝叶斯网络的森林火灾预警方法及系统。
背景技术：
森林火灾的定义是：在森林区域内，突发性的引起失去人为控制的大片林木的燃烧，而且蔓延速度非常快。森林防火是中国防灾减灾的重要组成部分，对森林资源的保护和优良生态环境的发展都有重大意义，对中国能源的发展具有重大影响。
森林防火监测主要采用人工瞭望、远程视频监控、卫星遥感和无人机巡护的方式。人工瞭望方式是在制高点设立瞭望哨，值班人员24小时轮流值班，由于人为的疏忽和过失，会使得许多火情未能及早发现，延迟扑火时间，造成严重后果。远程视频监控方式是在林区搭建大量的视频监控点，监控点配备摄像机，通过有线或无线网络将实时画面传送到监控中心，由中心人员实时监控。该方式不需要直接派驻人员到林区现场，但在远距离上人工很难识别早期火情。尤其是可见光摄像机监控系统，在夜间，几乎没有可探测的光谱范围的光照，视频图像上几乎是漆黑一片，很难发现和判断林火。即使换成热红外视频监控，森林环境复杂，容易存在监控死点，从而造成隐患。卫星遥感方式是通过对遥感照片的处理后发现林火，但卫星只能发现较大区域的林火，在火灾早期无法发现；同时还存在遥感图像分辨率不足、灵活性差等问题。无人机空中巡护相对来说有点较为突出，且有较好的适应性和实时性。
现有技术中，在无人机上搭载传感器、设置红外摄像仪或摄像头，通过对红外摄像仪的拍摄图像进行热像差值、烟雾分析等处理；或者通过摄像头拍摄视频在地面站进行图像处理，识别火灾的可能发生或发生情况。由于红外热成像仪靠温差成像，而一般目标温差都不大，因此红外热图像对比度低，使分辨细节能力变差，不能透过透明的障碍物看清目标；而常用的摄像头视频图像处理方法不能精确识别出火灾可能发生或发生情况。
技术实现要素：
本发明旨在解决现有技术中存在的技术问题，一方面提出了基于模糊贝叶斯网络的森林火灾预警方法，根据传感器数据、当地晴天数和易燃植物数分等级处理，直观判断该区域是否有发生火灾的可能性；当可能发生火灾时，通过模糊贝叶斯网络算法对传感器数据进行处理，能够精确计算火灾概率，以便做好施救工作。
本发明的另一方面是提出基于模糊贝叶斯网络的森林火灾预警系统。
本发明基于模糊贝叶斯网络的森林火灾预警方法，包括：
s1、无人机搭载温度传感器、感烟传感器、湿度传感器和气体传感器沿设定路线对森林进行巡检，实时感测行驶区域的数据并发送到地面站；并将森林图像、无人机行驶区域的位置信息传输至地面站；
s2、地面站结合当地晴天数和易燃植物数进行易燃等级分级处理，根据温度、湿度、烟尘、气体信息进行火灾预警初判断；
s3、地面站接收步骤s1各传感器数据后，采用模糊贝叶斯网络处理传感器数据，计算获得火灾发生概率，若火灾概率较高，继续处理无人机发送的传感器数据及直观判断无人机传送回的森林图像，获取该区域森林的实时情况；若火灾概率较低，地面站发送继续巡检信号至无人机，无人机沿设定路线继续对森林进行巡检；
s4、火灾概率较高时，地面站将火灾预警信号、是否有火灾、火灾实时情况以及位置信息发送给森林管理中心；火灾概率较低时，所述无人机沿设定路线等高飞行。
在优选的实施例中，所述步骤s3中，地面站采用模糊贝叶斯网络算法处理传感器数据的过程如下：
s31、采用结构学习算法和多次迭代寻优的参数学习算法，建立火灾预警系统的贝叶斯网络模型，利用所建立的模型，根据温度、湿度、烟雾浓度和一氧化碳浓度初步判断出明火概率、阴燃火概率和无火概率；
s32、建立火灾预警系统的模糊控制器，将明火概率、阴燃火概率和无火概率三个信号作为模糊控制器的输入，进行模糊逻辑处理与反模糊化处理，最终得到精确的火灾概率。
由以上技术方案可知，本发明森林火灾预警方法根据传感器数据、当地晴天数和易燃植物数进行分等级处理，可用于直观判断该区域是否有发生火灾的可能性，当可能发生火灾时，通过模糊贝叶斯网络算法对传感器数据进行处理，能够精确计算火灾概率，便于相关人员第一时间准确获知火灾情况；通过火灾预警信号能够及时预知火灾，有利于森林保护相关人员做好准备，尽早处理火灾，减少损失。且无人机能同时进行森林图像传输，便于地面站观察现场情况，能减少地面站的运算量，加快巡检速度、扩大无人机的巡检范围；无人机等高飞行便于获得传感器连续的稳定数据，便于后续数据处理。本发明森林火灾预警方法实现了自动监测、自动识别和自动反馈，更高效、更智能地保护森林。
本发明基于模糊贝叶斯网络的森林火灾预警系统，包括至少一个无人机和地面站；
无人机按照各自设定路线对森林进行巡检，无人机上设置有处理器、温度传感器、感烟传感器、湿度传感器、气体传感器、gps模块、无线传输模块、摄像头和驱动组件，温度传感器输出端与处理器的温度输入端连接，湿度传感器输出端与处理器的湿度输入端连接，感烟传感器输出端与处理器的感烟输入端连接，气体传感器输出端、摄像头输出端分别与处理器的视频输入端连接；驱动组件的控制端与处理器的驱动输出端连接；
地面站包括与无人机的无线传输模块无线连接的无线通信模块、通过模糊贝叶斯网络算法对传感器数据进行处理的数据处理平台，以及gsm模块，无线通信模块的输出端与数据处理平台连接，数据处理平台的输出端与gsm模块的输入端连接；地面站接收无人机发送的传感器数据和火灾预警信号；gsm模块通过无线网络与森林管理中心连接。
由以上技术方案可知，本发明森林火灾预警系统通过温度传感器、感烟传感器、湿度传感器、气体传感器获取无人机行驶区域的温度、烟尘、湿度和气体信息，并进行分等级处理，能直观粗略的判断该区域是否有发生火灾的可能性；数据处理平台通过模糊贝叶斯网络算法能精确识别出火灾可能发生或发生情况，便于相关人员第一时间准确获知火灾情况；通过gsm模块便于将火灾信息及时通知相关管理人员进行预防和处理。该系统可同时支持多台无人机，巡检范围广；测高模块实时监测无人机垂直于地面的高度，将检测高度输入到处理器，处理器内部的存储单元存储着预设高度，将监测高度与预设高度比较获得差值，根据差值处理器控制驱动组件运行，调整无人机高度，使其等高飞行，进而获得拍摄角度相同的稳定图像，有利于后续图像处理。
附图说明
图1为本发明一具体实施方式中森林火灾预警方法流程图。
图2为本发明一具体实施方式中森林火灾预警方法的贝叶斯网络模型结构图。
图3为本发明一具体实施方式中森林火灾预警系统的系统框图。
图4为本发明一具体实施方式中森林火灾预警系统功能图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或者具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置为基于附图所示的方位或位置关系，仅是为了便于描述本发明的简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
图1所示为本发明森林火灾预警方法的一种实施方式的流程图，包括步骤：
s1、无人机搭载温度传感器、感烟传感器、湿度传感器和气体传感器沿设定路线对森林进行巡检，实时感测行驶区域的数据并发送到地面站；将森林图像传输至地面站，便于地面站观察现场情况，并同步发送无人机行驶区域的位置信息至地面站。
在步骤s1中，无人机的巡检路线的设定方法为：使用gps模块设定巡检路线的起点和终点，通过栅格分解规划最佳路径。在每批传感器数据传送时，绑定有无人机实时的位置信息；和/或在火灾预警信号传送时绑定有无人机实时的位置信息，便于将传感器数据和火灾预警信号与位置信息准确对应。
s2、地面站结合当地晴天数和易燃植物数进行易燃等级分级处理，根据温度、湿度、烟尘、气体信息进行火灾预警初判断：
当地晴天数和易燃植物数可用于直观判断该区域是否有发生火灾的可能性，可能性较大时，发送无人机进行巡检；
当温度高于或等于温度报警阈值，和/或湿度低于或等于湿度报警阈值，和/或一氧化碳含量高于或等于一氧化碳含量阈值，和/或烟尘含量高于或等于烟尘含量阈值时，增加发送数据的频率作为火灾预警信号至地面站，无人机悬停，实时传送相应数据至地面站；
当温度低于温度报警阈值，且湿度高于湿度报警阈值，且一氧化碳含量低于一氧化碳含量阈值，且烟尘含量低于烟尘含量阈值时，无人机沿设定路线继续对森林进行巡检。
s3、地面站接收步骤s1各传感器数据后，采用模糊贝叶斯网络处理传感器数据，计算获得火灾发生概率，若火灾概率较高，继续处理无人机发送的传感器数据及直观判断无人机传送回的森林图像，获取该区域森林的实时情况；若火灾概率较低，地面站发送继续巡检信号至无人机，无人机沿设定路线继续对森林进行巡检。
s4、火灾概率较高时，地面站将火灾预警信号、是否有火灾、火灾实时情况以及位置信息发送给森林管理中心；火灾概率较低时，所述无人机沿设定路线等高飞行。
模糊控制系统是依据人对被控系统的控制经验和知识来设计控制器，特别适用于难以建模或无法建模的复杂对象，易被人们所接受，且算法简单，容易实现，并有极强的鲁棒性。
贝叶斯网络又称信度网络，是bayes方法的扩展，是目前不确定知识表达和推理领域最有效的理论模型之一。一个贝叶斯网络包括一个有向无环图(directedacyclicgraph,dag)和一个条件概率表集合。dag的每一个节点表示一个随机变量，可以是可直接观测变量或隐藏变量，而节点间的有向边代表了节点间的互相关系(由父节点指向其子节点)，用条件概率进行表达关系强度，没有父节点的用先验概率进行信息表达，表示随机变量间的条件依赖，随机变量可以是任何问题的抽象，如：测试值、观测现象、意见征询等；条件概率表中的每一个元素对应dag中唯一的节点，存储此节点对于其所有直接前驱节点的联合条件概率。贝叶斯网络有一条极为重要的性质，就是我们断言每一个节点在其直接前驱节点的值制定后，这个节点条件独立于其所有非直接前驱前辈节点，这个性质很类似markov过程。其实，贝叶斯网络可以看作是markov链的非线性扩展。贝叶斯网络适用于表达和分析不确定性和概率性的事件，应用于有条件地依赖多种控制因素的决策，可以从不完全、不精确或不确定的知识或信息中做出推理。
在本实施方式中，模糊贝叶斯网络算法是模糊控制系统与贝叶斯网络的复合。其中，贝叶斯网络是一种概率图形模型，包括有向无环图和条件概率表集合，而模糊控制系统是能够实现模糊控制的系统。无人机也可间隔较短时间内感测数据，如间隔1秒；位置信息可连续采集后发送给地面站，优选的，其采集时间小于传感器感测时间。
在本实施方式中，因为在森林某一区域可能发生或发生火灾时，该区域的温度会升高，烟尘含量升高，一氧化碳含量升高，湿度下降，因此当该区域的连续晴天数、易燃植物数较多，且满足检测到温度高于或等于温度报警阈值，和湿度低于或等于湿度报警阈值，和一氧化碳含量高于或等于一氧化碳含量阈值，和烟尘含量高于或等于烟尘含量阈值条件中的任一或两个时，无人机内部的处理器控制驱动组件使无人机在该上空悬停，继续实时传送传感器数据，发送至地面站处理，且继续拍摄下方的森林图像，发送至相关人员直观判断。在五个条件均不满足时，无人机感测该区域下方的传感器数据和拍摄森林图像并传送至地面站后，沿预定路线继续航行拍摄发送火灾预警信号至地面站，与此同时，地面站也实时处理这些数据并观察森林图像进行直观判断，及时发现可能发生或发生的火灾险情，温度检测、烟尘检测、湿度检测、气体检测一起使用，使用四重检测，避免因温度传感器、感烟传感器、湿度传感器和气体传感器意外故障导致的火灾巡检失误。温度报警阈值、烟尘含量报警阈值、湿度报警阈值、一氧化碳含量报警阈值存储于无人机处理器内部的存储单元中，可多次试验获取，或者依据经验设定。
在本实施方案中，火灾预警信号以及发出该信号时无人机的位置信息地面站会及时上传到森林管理中心，地面站对传感器数据的模糊贝叶斯网络处理结果连同位置信息也会上传到森林管理中心，无人机和地面站通过无线通信模式传递火灾预警信号和继续巡检信号，可通过数传电台传输，也可通过wifi、rfid等方式传输。
在本实施方式中，无人机可等高飞行，便于获得连续稳定的传感器数据，便于后续数据处理，飞行高度可为15米、20米、25米或30米等。
在本实施例中，在所述步骤s3中，地面站采用模糊贝叶斯网络算法处理传感器数据的过程如下：
s31、采用结构学习算法和采用多次迭代寻优的参数学习算法进行火灾预警系统的贝叶斯网络建立，图2所示为该实施方式的模型结构图。
贝叶斯网络的建造是一个复杂的任务，需要知识工程师和领域专家的参与。在实际中可能是反复交叉进行而不断完善的。面向设备故障诊断应用的贝叶斯网络的建造所需要的信息来自多种渠道，如设备手册、生产过程、测试过程、维修资料以及专家经验等。首先将设备故障分为各个相互独立且完全包含的类别(各故障类别至少应该具有可以区分的界限)，然后对各个故障类别分别建造贝叶斯网络模型，需要注意的是诊断模型只在发生故障时启动，因此无需对设备正常状态建模。通常设备故障由一个或几个原因造成的，这些原因又可能由一个或几个更低层次的原因造成。建立起网络的节点关系后，还需要进行概率估计。具体方法是假设在某故障原因出现的情况下，估计该故障原因的各个节点的条件概率，这种局部化概率估计的方法可以大大提高效率。
1)结构学习算法
贝叶斯网络结构学习就是在给定一个数据样本集合d的前提下，寻找一个与训练样本集d匹配最好的网络结构。此处贝叶斯网络结构学习算法采用k2评分算法，用p(g,d)作为评分函数:
其中，p(g)是网络结构g的先验概率；xi为网络节点，xi有
举例子来说，如果一个专家建议存在一条特定的边或者一个局部结构，则符合给定的网络结构应该被给定一个更高的先验概率。如果对网络结构没有先验概率，或者没有特殊的优先的网络结构，那么先验概率p(g)可以被假设服从均匀分布，即p(g)＝c，c是常量。给定一个网络结构g，条件概率θijk可由贝叶斯估计器进行估计：
θijk＝e(θijk|d,g)＝(nijk+1)/(nij+ri)
其中，e表示期望；贝叶斯评分可以解释为：如果对于所有的网络结构g，一个网络结构g0有p(g0,d)≥p(g,d)，那么对于当前的数据集d来说，g0是贝叶斯评分意义上最符合d的网络结构；在算法实现过程中，通常对公式进行简化，用log(p(g,d))来代替p(g,d)，从而得到评分函数的分解形式：
2)参数学习算法
贝叶斯网络的参数学习即在样本数据基础上，寻求网络各节点的概率分布。利用网络拓扑结构和训练样本集以及先验知识，确定贝叶斯网络模型各结点处的条件概率密度，记为p(θ|g,d)。贝叶斯网络参数学习算法实际上就是求解收敛到局部节点最优参数的过程。首先初始化配置，然后经过迭代e和m两步寻找最大后验概率假设，并收敛最优值。对数据进行最大似然估计，模拟最符合结构的参数，具体步骤如下：
(1)e步(期望)
其中，e是期望值；d是训练样本；
(2)m步(最大估计)
最大似然估计函数：
最大后验估计：
其中，n’ijk是先验充分统计因子；nijk是样本数据充分统计因子。
s32、建立火灾预警系统的模糊控制器。
利用贝叶斯网络，根据温度、烟雾浓度和一氧化碳浓度初步判断出明火概率、阴燃火概率和无火概率。使用贝叶斯网络必须知道各个状态之间相关的概率，得到这些参数的过程叫做训练。和训练马尔可夫模型一样，训练贝叶斯网络要用一些已知的数据。比如在训练上面的网络，需要知道一些心血管疾病和吸烟、家族病史等有关的情况。相比马尔可夫链，贝叶斯网络的训练比较复杂，从理论上讲，它是一个np-complete问题，也就是说，现阶段没有可以在多项式时间内完成的算法。但是，对于某些应用，这个训练过程可以简化，并在计算上高效实现。
然后，进行火灾预警系统的模糊控制器的建立。虽然贝叶斯网络利用温度、烟雾浓度和一氧化碳浓度初步判断出明火概率、阴燃火概率、无火概率，但是，仅仅根据贝叶斯网络输出的这三个输出信号无法准确的判断出是否有火灾发生以及火情大小。因此，将贝叶斯网络的明火概率、阴燃火概率和无火概率这三个输出信号作为模糊控制器的输入，进行模糊逻辑处理与反模糊化处理，最终得到精确的火灾概率，从而得到森林火灾识别系统的输出精度和容错能力。
1)建立模糊规则
对火灾概率进行分类，分别为明火概率、阴燃火概率、无火概率作为燃烧节点，燃烧节点分等级，明火概率分为明火概率大(pb)、明火概率中(pm)、明火概率小(ps)、明火概率零(np)四个等级，分别为0、1、2、3；阴燃火概率各分为阴燃火概率大(pb)、阴火概率中(pm)、阴火概率小(ps)、阴火概率零(np)四个等级，分别为0、1、2、3；无火概率分为无火概率大(pb)、无火概率中(pm)、无火概率小(ps)三个等级，分别为0、1、2；
模糊规则形式为“若明火概率是ai并且阴燃火概率是bi并且无火概率是ci，则火情发生概率为pi”。其中ai、bi和ci分别表示明火概率、阴燃火概率、无火概率的模糊量化等级，pi是火情发生概率的量化等级。根据森林火灾的专家领域经验知识，并通过大量的实验试凑，得到48条模糊推理规则，如：
if(明火概率isnp)and(阴燃火概率isnp)and(无火概率isps)then(火灾概率isps)；if(明火概率isnp)and(阴燃火概率isnp)and(无火概率ispm)then(火灾概率isnp)。
2)模糊推理
以上述的模糊控制规则“若x是ai并且y是bi并且z是ci，则u为pi”为例，则对应的模糊蕴含关系pi定义为：
ri＝(ai×bi×ci×pi)
其中，x表示明火概率，y表示阴燃火概率，z表示无火概率，u表示火情发生概率。对所有的模糊蕴含关系取并集，得出全部控制规则所对应的模糊关系如下：
3)对于模糊控制规则为“若x是ai并且y是bi并且z是ci，则u为pi”，则经过模糊推理可得出基于模糊明火概率a`、阴燃火概率b`、无火概率c`下的火灾概率pi为：
pi＝(a`andb`andc`)×r
得到的pi是一个模糊集，需要进行精确化处理，这个过程也称为反模糊化。重心法也称力矩法，是目前应用最多的反模糊化方法。它的特点在于全面考虑模糊量的有关信息，同时执行运算较为容易。
其中，wd为反模糊化值；μ(w)为推理结果模糊集隶属函数；w为论域上的支持值。采用重心法对火灾概率进行精确化处理，得到火灾概率的精确输出：
μpi(ui)＝∨[∧ai(x)∧bi(y)∧ci(z)∧r(x,y,z,u)]
通过建立贝叶斯网络模型计算该区域的明火概率、阴燃火概率、无火概率，并送入模糊系统。对于不能直观判断森林图像的区域，能够快速地进行火灾概率估计。通过设置火灾阈值，能有效区分出可能发生火灾或发生火灾与不存在火灾，以及通过火灾概率的大小，可以判断可能发生火灾或发生火灾的严重程度，便于管理人员及时做出应对措施。
在本实施方式中，由于概率计算存在一定的精度误差，为了更精确与安全，可以将火灾阈值设置为较低值，如30％。在本实施方式中，可设置为一个变化区间，可依据季节、天气情况或者风速大小变化取值。如秋天和冬季，或者高温，或者有大风的情况下，可将火灾余值设置为变化区间中的较小值，反之则设置为变化区间中的较大值。这样检测获得的可能发生火灾信号和发生火灾信号更准确，更贴近于现实环境，便于管理人员有足够的时间应对，以及做出最恰当的应对措施。
在步骤s1中，无人机的巡检路线的设定方法为：使用gps模块设定巡检路线的起点和终点，通过栅格分解规划最佳路径。在每批传感器数据传送时，绑定有无人机实时的位置信息；和/或在火灾预警信号传送时绑定有无人机实时的位置信息，便于将传感器数据和火灾预警信号与位置信息准确对应。在本实施方式中，最佳路径可为能够避障且距离最短的路径。
在本实施方式中，当传感器数据感测完成后，或产生火灾报警信号后，获取实时位置信息，将位置信息数据插入传感器数据或火灾预警信号中。
在步骤s1中，还包括光照调整步骤，以保证摄像头拍照时具有足够的光照强度，确保所观察的森林图像的有效性。光照调整步骤如下：感测光照强度，当光照强度低于光照强度阈值时，开启照明灯补充光照；当光照强度高于或等于光照强度阈值时，关闭照明灯。
在本实施方式中，光照强度阈值可选傍晚或黎明任意时刻的光照强度值，并存储于无人机处理器内部的存储器中。
本发明森林火灾预警系统，如图3、4所示，包括至少一个无人机和地面站。其中：
无人机按照各自设定路线对森林进行巡检，无人机上设置有处理器、温度传感器、感烟传感器、湿度传感器、气体传感器、gps模块、无线传输模块、摄像头和驱动组件，温度传感器输出端与处理器的温度输入端连接，湿度传感器输出端与处理器的湿度输入端连接，感烟传感器输出端与处理器的感烟输入端连接，气体传感器输出端、摄像头输出端与处理器的视频输入端连接；驱动组件的控制端与处理器的驱动输出端连接。无人机还可进一步包括测高模块，测高模块高度输出端与处理器的高度输入端连接。
地面站包括与无人机的无线传输模块无线连接的无线通信模块、通过模糊贝叶斯网络算法对传感器数据进行处理的数据处理平台，以及gsm模块，无线通信模块的输出端与数据处理平台连接，数据处理平台的输出端与gsm模块的输入端连接。地面站接收无人机发送的传感器数据和火灾预警信号。gsm模块通过无线网络与森林管理中心连接，森林管理中心为服务器或者森林管理人员的手持终端。
在本实施方式中，摄像头可选用高清航拍摄像头，无人机的无线传输模块与地面站的无线通信模块的无线连接可通过数传电台。一般的数传电台采用的接口协议有ttl接口、rs485接口和rs232接口，不过也有一些can-bus总线接口，频率有2.4ghz、433mhz、900mhz、915mhz，一般433mhz的较多，因为433mhz是个开放的频段，再加上433mhz波长较长，穿透力强等优势所以大部分民用用户一般都是用的433mhz，距离在5千米到15千米不等，甚至更远。无人机的无线传输模块与地面站的无线通信模块的无线连接还可以通过如wifi等其它射频通信实现。驱动组件包括马达、螺旋桨等部件。地面站的数据处理平台可选用mcu+fpga异构的快速数据处理器。
在本实施方式中，测高模块基于光波或者电磁波测距原理实现测高功能。测高模块包括安装在无人机舱底外部的红外发射模块和红外接收模块，以及处理器内部集成的计时器；红外发射模块的控制端与处理器的红外发射端连接，红外发射模块的数字输出端与处理器的红外接收端连接，红外发射模块被处理器控制间隔时间t发射红外光波至地面，由红外接收模块接收反射回来的红外光波，通过计时器记录发射和接收时间差值。
测高模块也可以采用如下结构：包括天线、发射匹配电路、接收匹配电路和射频芯片，射频芯片发射调制模拟信号至发射匹配电路的输入端，发射匹配电路的输出端与天线的输入端连接，天线的输出端与接收匹配电路的输入端连接，接收匹配电路的输出端与射频芯片的接收端连接，射频芯片通过spi、i2c等通讯接口与处理器连接，射频芯片以间隔时间t发射调制模拟信号至发射匹配电路，同时向处理器发送计时开始信号；调制模拟信号由天线发射至地面，反射回来的电磁波信号经过天线传递至接收匹配电路，再传至射频芯片，射频芯片接收后同步发送计时截止信号至处理器，由处理器获得时间差值。由于无人机的航行速度相较于光速或者电磁波速度小很多，处理器所获得的时间差值除以2后乘以光速获得无人机飞行高度。时间t可为正整数分钟，如2分钟、4分钟。处理器将实测飞行高度和预设飞行高度进行比较处理，从而决策驱动组件的动力增减。优选的，天线可垂直地面设置在无人机舱底外部。
在本实施例中，无人机还包括照明灯和光照传感器，光照传感器的输出端与处理器的光照输入端连接，处理器的照明控制端与照明灯的开启端连接，照明灯靠近摄像头设置，保证摄像头拍照时具有足够的光照强度，确保直观接受森林图像的火灾情况。
在本实施例中，gsm模块通过无线网络与森林管理中心连接，森林管理中心为服务器或者森林管理人员的手持终端，便于相关管理人员及时获知火灾信息。gsm模块可直接发送通知短信至管理人员收集，也可发送火灾信息至森林管理中心的服务器，管理人员通过网页查看。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中，在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
最后需要强调的是，以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域的技术人员来说，在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！